【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像處理，尤其涉及醫(yī)學(xué)圖像分割方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。
技術(shù)介紹
1、醫(yī)學(xué)圖像分割在醫(yī)學(xué)影像診斷和治療中起著至關(guān)重要的作用，其主要目標(biāo)是將圖像中的特定組織或器官從背景中分離出來。這一過程在醫(yī)學(xué)圖像定量分析中具有重要意義，因?yàn)樗軌蛴行У靥崛∧繕?biāo)區(qū)域的形狀和空間信息，通過機(jī)器視覺逐個(gè)像素地自動(dòng)識(shí)別醫(yī)學(xué)圖像中的目標(biāo)區(qū)域。
2、目前，深度學(xué)習(xí)已逐漸應(yīng)用到醫(yī)學(xué)圖像分割領(lǐng)域。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)在處理大規(guī)模數(shù)據(jù)和復(fù)雜任務(wù)時(shí)表現(xiàn)更加出色。深度學(xué)習(xí)減少了人為干預(yù)，具備學(xué)習(xí)更抽象和高維特征的能力，展現(xiàn)出卓越的特征學(xué)習(xí)潛力。在深度學(xué)習(xí)模型中，狀態(tài)空間模型(state?space?model，ssm)在醫(yī)學(xué)圖像分割中展現(xiàn)出潛在的巨大優(yōu)勢，ssm不僅在建模長程相互依賴方面表現(xiàn)出卓越的性能，而且保持了線性計(jì)算和存儲(chǔ)的復(fù)雜性。但是，目前的基于ssm的醫(yī)學(xué)圖像分割方法，如vm-unet，沒有在跳躍連接部分混合多尺度的特征，導(dǎo)致醫(yī)學(xué)圖像分割的準(zhǔn)確性不高。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的主要目的在于提出一種醫(yī)學(xué)圖像分割方法、裝置、設(shè)備及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，旨在提高醫(yī)學(xué)圖像分割的準(zhǔn)確性。
2、本專利技術(shù)第一方面提供了一種醫(yī)學(xué)圖像分割方法，所述醫(yī)學(xué)圖像分割方法包括：
3、獲取待分割醫(yī)學(xué)圖像，將所述待分割醫(yī)學(xué)圖像輸入至深度學(xué)習(xí)模型，所述深度學(xué)習(xí)模型包括編碼器、注意力多尺度特征融合模塊、解碼器和尾塊；
4、通過所述編碼器對(duì)所述待分割
5、通過所述注意力多尺度特征融合模塊對(duì)所述多尺度特征圖像進(jìn)行特征融合處理，得到融合特征圖像；
6、將所述輸出注意力張量和所述融合特征圖像輸入至所述解碼器進(jìn)行上采樣和張量重建處理，得到分割圖像；
7、通過所述尾塊對(duì)所述分割圖像進(jìn)行張量重建處理，以輸出分割好的目標(biāo)醫(yī)學(xué)圖像。
8、可選的，所述張量重建處理包括：
9、獲取輸入張量；
10、對(duì)所述輸入張量分別進(jìn)行一次水平方向和垂直方向的像素掃描，得到水平序列和垂直序列；
11、將所述水平序列和所述垂直序列輸入至預(yù)設(shè)的狀態(tài)空間模型，得到水平注意力序列和垂直注意力序列；
12、對(duì)所述水平注意力序列和垂直注意力序列進(jìn)行重塑和拼接后，輸入至預(yù)設(shè)的混合前饋網(wǎng)絡(luò)；
13、通過所述混合前饋網(wǎng)絡(luò)對(duì)所述水平注意力序列和所述垂直注意力序列之間的位置關(guān)系進(jìn)行建模，輸出第一注意力張量。
14、可選的，所述張量重建處理還包括：
15、對(duì)所述輸入張量進(jìn)行頻域特征提取，得到頻域張量；
16、根據(jù)所述第一注意力張量和所述頻域張量，輸出第二注意力張量。
17、可選的，所述對(duì)所述輸入張量進(jìn)行頻域特征提取，得到頻域張量包括：
18、對(duì)所述輸入張量進(jìn)行實(shí)數(shù)傅里葉變換，得到頻域特征；
19、將所述頻域特征和預(yù)設(shè)的復(fù)數(shù)權(quán)重參數(shù)進(jìn)行矩陣相乘后，再與預(yù)設(shè)的復(fù)數(shù)偏置參數(shù)相加，得到結(jié)果特征；
20、對(duì)所述結(jié)果特征進(jìn)行實(shí)數(shù)傅里葉逆變換，得到頻域張量。
21、可選的，所述注意力多尺度特征融合模塊包括注意力橋和多尺度特征融合模塊，所述通過所述注意力多尺度特征融合模塊對(duì)所述多尺度特征圖像進(jìn)行特征融合處理，得到融合特征圖像包括：
22、通過所述注意力橋推斷所述多尺度特征圖像的通道注意力和空間注意力；
23、根據(jù)所述通道注意力、所述空間注意力和所述多尺度特征圖像，獲取多尺度輸出特征張量；
24、將所述多尺度輸出特征張量輸入至所述多尺度特征融合模塊，得到融合特征圖像。
25、可選的，所述根據(jù)所述通道注意力、所述空間注意力和所述多尺度特征圖像，獲取多尺度輸出特征張量包括：
26、將所述通道注意力和所述多尺度特征圖像進(jìn)行矩陣相乘，得到中間張量；
27、將所述中間張量和所述空間注意力進(jìn)行矩陣相乘后，與所述多尺度特征圖像進(jìn)行矩陣相加，得到多尺度輸出特征張量。
28、可選的，所述將所述多尺度輸出特征張量輸入至所述多尺度特征融合模塊，得到融合特征圖像包括：
29、在所述多尺度特征融合模塊中，根據(jù)預(yù)設(shè)的錨張量生成一個(gè)單位張量；
30、對(duì)所述多尺度輸出特征張量進(jìn)行尺寸轉(zhuǎn)換，得到與所述錨張量尺寸大小相同的特征張量；
31、將所述與所述錨張量尺寸大小相同的特征張量進(jìn)行深度卷積處理；
32、將深度卷積處理后的所述特征張量與所述單位張量進(jìn)行矩陣相乘，得到融合特征圖像。
33、本專利技術(shù)第二方面提供了一種醫(yī)學(xué)圖像分割裝置，所述醫(yī)學(xué)圖像分割裝置包括：
34、輸入模塊，用于獲取待分割醫(yī)學(xué)圖像，將所述待分割醫(yī)學(xué)圖像輸入至深度學(xué)習(xí)模型，所述深度學(xué)習(xí)模型包括編碼器、注意力多尺度特征融合模塊、解碼器和尾塊；
35、編碼模塊，用于通過所述編碼器對(duì)所述待分割醫(yī)學(xué)圖像進(jìn)行下采樣和張量重建處理，得到多尺度特征圖像和輸出注意力張量；
36、融合處理模塊，用于通過所述注意力多尺度特征融合模塊對(duì)所述多尺度特征圖像進(jìn)行特征融合處理，得到融合特征圖像；
37、解碼模塊，用于將所述輸出注意力張量和所述融合特征圖像輸入至所述解碼器進(jìn)行上采樣和張量重建處理，得到分割圖像；
38、輸出模塊，用于通過所述尾塊對(duì)所述分割圖像進(jìn)行張量重建處理，以輸出分割好的目標(biāo)醫(yī)學(xué)圖像。
39、可選的，所述編碼模塊、所述解碼模塊和所述輸出模塊還用于：
40、獲取輸入張量；
41、對(duì)所述輸入張量分別進(jìn)行一次水平方向和垂直方向的像素掃描，得到水平序列和垂直序列；
42、將所述水平序列和所述垂直序列輸入至預(yù)設(shè)的狀態(tài)空間模型，得到水平注意力序列和垂直注意力序列；
43、對(duì)所述水平注意力序列和垂直注意力序列進(jìn)行重塑和拼接后，輸入至預(yù)設(shè)的混合前饋網(wǎng)絡(luò)；
44、通過所述混合前饋網(wǎng)絡(luò)對(duì)所述水平注意力序列和所述垂直注意力序列之間的位置關(guān)系進(jìn)行建模，輸出第一注意力張量。
45、可選的，所述編碼模塊、所述解碼模塊和所述輸出模塊還用于：
46、對(duì)所述輸入張量進(jìn)行頻域特征提取，得到頻域張量；
47、根據(jù)所述第一注意力張量和所述頻域張量，輸出第二注意力張量。
48、可選的，所述編碼模塊、所述解碼模塊和所述輸出模塊還用于：
49、對(duì)所述輸入張量進(jìn)行實(shí)數(shù)傅里葉變換，得到頻域特征；
50、將所述頻域特征和預(yù)設(shè)的復(fù)數(shù)權(quán)重參數(shù)進(jìn)行矩陣相乘后，再與預(yù)設(shè)的復(fù)數(shù)偏置參數(shù)相加，得到結(jié)果特征；
51、對(duì)所述結(jié)果特征進(jìn)行實(shí)數(shù)傅里葉逆變換，得到頻域張量。
52、可選的，所述注意力多尺度特征融合模塊包括注意力橋和多尺度特征融合模塊，所述融合處理模塊還用于：
53本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種醫(yī)學(xué)圖像分割方法，其特征在于，所述醫(yī)學(xué)圖像分割方法包括如下步驟：
2.如權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述張量重建處理包括：
3.如權(quán)利要求2所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述張量重建處理還包括：
4.如權(quán)利要求3所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述對(duì)所述輸入張量進(jìn)行頻域特征提取，得到頻域張量包括：
5.如權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述注意力多尺度特征融合模塊包括注意力橋和多尺度特征融合模塊，所述通過所述注意力多尺度特征融合模塊對(duì)所述多尺度特征圖像進(jìn)行特征融合處理，得到融合特征圖像包括：
6.如權(quán)利要求5所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述根據(jù)所述通道注意力、所述空間注意力和所述多尺度特征圖像，獲取多尺度輸出特征張量包括：
7.如權(quán)利要求5所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述將所述多尺度輸出特征張量輸入至所述多尺度特征融合模塊，得到融合特征圖像包括：
8.一種醫(yī)學(xué)圖像分割裝置，其特征在于，所述醫(yī)學(xué)圖像分割裝置包括：
9.一種
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述的醫(yī)學(xué)圖像分割方法。
...【技術(shù)特征摘要】
1.一種醫(yī)學(xué)圖像分割方法，其特征在于，所述醫(yī)學(xué)圖像分割方法包括如下步驟：
2.如權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述張量重建處理包括：
3.如權(quán)利要求2所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述張量重建處理還包括：
4.如權(quán)利要求3所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述對(duì)所述輸入張量進(jìn)行頻域特征提取，得到頻域張量包括：
5.如權(quán)利要求1所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述注意力多尺度特征融合模塊包括注意力橋和多尺度特征融合模塊，所述通過所述注意力多尺度特征融合模塊對(duì)所述多尺度特征圖像進(jìn)行特征融合處理，得到融合特征圖像包括：
6.如權(quán)利要求5所述的醫(yī)學(xué)圖像分割方法，其特征在于，所述根據(jù)所述通道注意...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：溫陽，沈舜喆，曹文明，石武禎，莊宇航，王繼祥，
申請(qǐng)(專利權(quán))人：深圳大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。